算法 （ALGORITHM）

卷積神經(jīng)網(wǎng)絡(luò)CNN： Convolution Neural Network

以非內(nèi)存半導(dǎo)體現(xiàn)場(chǎng)可編程門陣列 （FPGA）形式提供集成的自動(dòng)駕駛解決方案。FPGA彌補(bǔ)了通用處理器的性能限制和結(jié)合專用集成電路的特性，而成為最近關(guān)注的焦點(diǎn)。通過FPGA，我們會(huì)為客戶提供價(jià)格競(jìng)爭(zhēng)力強(qiáng)和配備先進(jìn)技術(shù)的快速處理速度。FPGA要實(shí)現(xiàn)機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)而不造成系統(tǒng)混亂和瓶頸現(xiàn)象，又能高速處理，所以我們提供采用準(zhǔn)確性高的人工智能系統(tǒng)解決方案。

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN： Recurrent Neural Network

RNN是一種專門處理重復(fù)和序列數(shù)據(jù)學(xué)習(xí)的深度學(xué)習(xí)方式。RNN的內(nèi)部循環(huán)結(jié)構(gòu)，能處理含序列信息的數(shù)據(jù)。RNN可用于識(shí)別常規(guī)數(shù)據(jù)的流動(dòng)及提取抽象信息，并以此分析如視頻、語(yǔ)音和語(yǔ)言等連續(xù)輸入的數(shù)據(jù)，其優(yōu)點(diǎn)是即使在學(xué)習(xí)中也能反映連續(xù)數(shù)據(jù)流而不會(huì)丟失之前學(xué)習(xí)的信息。由于最近各行業(yè)領(lǐng)域的動(dòng)態(tài)數(shù)據(jù)增加，RNN也被用于更多領(lǐng)域，而我們正積極利用RNN來(lái)識(shí)別車輛內(nèi)外的圖像和語(yǔ)音。

強(qiáng)化學(xué)習(xí)RL： Reinforcement Learning

RL強(qiáng)化學(xué)習(xí)是根據(jù)機(jī)器自己與環(huán)境之間的關(guān)系，改善自己行為的學(xué)習(xí)方法。強(qiáng)化學(xué)習(xí)的意思是通過適應(yīng)性加強(qiáng)學(xué)習(xí)，就像做更多得到贊揚(yáng)的行為及減少做出受到懲罰的行為，此方法常用于機(jī)器人和人工智能的領(lǐng)域中。通過學(xué)習(xí)過程，做得好的話會(huì)獲得獎(jiǎng)勵(lì)，相反，做得不好則得到懲罰，且并不像CNN或RNN需要出現(xiàn)正確的輸入、輸出對(duì)，因此，強(qiáng)化學(xué)習(xí)是學(xué)習(xí)如何通過一連的過程取得最多獎(jiǎng)勵(lì)的方法。

生成（式）對(duì)抗網(wǎng)絡(luò) GAN： Generative Adversarial Network

GAN是帶領(lǐng)未來(lái)深度學(xué)習(xí)的方式而受到關(guān)注的學(xué)習(xí)方法。生成（式）對(duì)抗網(wǎng)絡(luò)是非指導(dǎo)學(xué)習(xí)方法，不像CNN和RNN那樣需要大量數(shù)據(jù)來(lái)學(xué)習(xí)。亦與學(xué)習(xí)配對(duì)數(shù)據(jù)和標(biāo)記的學(xué)習(xí)方式不同，可從無(wú)標(biāo)記數(shù)據(jù)中獲取知識(shí)，自己主動(dòng)掌握事物特征。通過這方式就可以擺脫識(shí)別和區(qū)分，使自己有創(chuàng)造力，在建立圖像、編輯、轉(zhuǎn)換和復(fù)原等方面展示多種效用。

編輯：jq